文章编号：1002－3100（2011）02－0067－04 0 引言 物流绩效评价是通过综合各种绩效因子对企业物流绩效的贡献影响，评价企业物流绩效优劣程度的一种科学方法。 人们对于企业物流绩效评价研究的主要方法包括模糊数学评判法和灰色聚类评价法[1]等。但模糊数学法强调极值作用，信息损失多，权重赋值上具有较大的主观随意性；灰色聚类法在有些情形下分辨率不够；人工神经网络BP算法则存在收敛速度较慢且容易陷入局部极小值[2]，以上缺点使得这些方法在应用中受到一定的限制。而遗传算法搜索不依赖于梯度信息，具有全局性、并行性、快速性、较好的适应性和鲁棒性[3]，遗传算法所具有的学习能力及非线性特性能有效地处理复杂非线性系统的归类评价问题。 本文从企业物流绩效综合评价的实际应用出发，将遗传算法和基于梯度下降算法BP的静态前馈神经网络结合起来引入物流绩效评测，给出了改进遗传算法的基本原理，分析了网络输入变量的选取以及输入数据的预处理等对预测精度的影响，建立基于改进遗传算法物流绩效评价模型后，运用模糊理论对网络输出结果进行隶属度分析，以确定物流绩效综合评价等级程度。对测试数据进行评价对比，结果表明基于改进遗传算法的物流绩效综合评价方法能有效减少收敛到全局最优的时间，同时精度高，鲁棒性强，具有很好的收敛性，且应用评价效果令人满意。 1 评价因子的选择 整个评判体系的关键是确定评价指标，是获得客观真实评价结果的前提，已有众多学者对此作了深入探讨，文献[4]从物流成本的角度进行评价，主要强调的是财务评价指标；文献[5]从物流服务的角度进行研究，着重于物流服务的水平评价；文献[6]从物流的效率和质量出发进行指标体系的设定及评价；另外有些文献着重于评价物流活动的绩效及从物流整体绩效的角度对物流企业进行评价。 目前国内外普遍关注的物流绩效评价指标有：供应商的属性、公司自身的需求等。这其中的每一种指标都代表了一组评价指标的信息，反映企业物流绩效的现状。要选择有代表性的重要影响因子作为企业物流绩效检测和评价的内容。本文在评价企业物流绩效时，综合选取包装、仓储、运输、装卸、信息业务成本费用及出入库保证能力、运输准确率、及时性、年净收入、年营业额等逆向和正向综合指标作为评价因子。 为了给企业物流绩效评价提供基准依据，本文根据逆向指标越小越好、正向指标越大越好准则，选择逆向指标最小值及正向指标最大值组成绩效最好基准（等级为I），逆向指标最大值及正向指标最小值组成绩效最差基准（等级为V），各指标平均值作为中间级别基准（等级为III），中间级与最优级的指标均值为良好基准（等级为IV），中间级与最差级的指标均值为较差基准（等级为II），根据文献[7]中物流公司绩效的管理统计数据和企业物流绩效评价标准序列，将企业物流绩效分为五个等级。 2 改进遗传算法基本原理 遗传算法（Genetic Algorithm）是基于自然遗传学机理的随机优化概率搜索算法[4]。遗传算法通过群体搜索策略和群体中个体之间的信息相互交换，模拟由个体组成的群体的整体学习，从任一初始化的群体出发，通过随机选择、交叉和变异等遗传操作，使群体一代代地优化，直至抵达最优解点。 遗传算法是一种并行算法，由于它是基于模式处理的方法，因此能够对数据空间进行全局搜索，以较大的概率收敛到全局次优点。但由于遗传算法不能有效地利用局部信息，因此收敛到最优点需要较长时间。而梯度法是基于梯度这个局部信息来搜索的方法，搜索速度较快，但单独使用梯度法很容易陷入局部最优点。把二者结合起来，先利用遗传算法搜索到全局次优点，再利用基于梯度下降算法BP神经网络对全局次优点进行进一步搜索，可以较快地搜索到全局最优点。在系统归类识别中可以较快地得到较好的参数估计值。 采用基于梯度下降算法的前向三层BP网络来对全局次优点进行寻优，快速求解全局最优点。输入层神经元个数为m，隐含层神经元个数为n，则三层BP网络输出可以表示为：
式中：μ为学习因子。 输入样本数据，利用遗传算法搜索出权值全局次优点后，将全局次优点作为梯度法计算的输入值，通过BP神经网络训练运算后可得到全局最优值，这样就建立了具体的神经网络综合评价模型。 3 基于改进遗传算法的网络模型 基于改进遗传算法的物流绩效评价问题实际上就是通过适当选取数学模型中未知参数使误差函数值达到极小值的问题。如果将物流绩效系统数学模型中未知参数的可能取值范围按照一定的精度进行细化，那么可行解集合就是未知参数的所有可能取值的组合。利用遗传算法的空间快速并行搜索能力，就可以在庞大的可行解集合中找到问题的最优解。这就是遗传算法应用于物流绩效评价的基本思想。但直接应用遗传算法进行系统归类评价需要全局寻优时间很长，而梯度下降法的计算速度比遗传算法快得多，将标准遗传算法和基于梯度下降算法BP神经网络结合，采用改进遗传算法在寻优上比单纯遗传算法快得多[8]。基于改进遗传算法的物流绩效评价原理如图1所示。
